과다 수리와 과소 수리를 피하기 위해 가스 터빈 기계의 신뢰성과 가용성을 향상시키기 위해 본 논문은 모델 및 데이터 기반의 가스 터빈 기계 가스로트블트 고장 진단 방법을 제안한다. 우선, 적응적 열 건설 모델링 전략을 통해 진단 대상인 가스 터빈 기계의 열 모델을 구축하고, 다양한 부품의 건강 매개변수 및 입구 경계 조건을 설정하여 부품의 건강 매개변수 벡터와 입구 경계 조건 매개변수 및 가스로트블트 측정 값을 일대일 대응하는 데이터 세트를 모의한다. 다음으로, 딥러닝을 사용하여 회귀 모델링을 하고, 가스 터빈 기계 가스로트블트 고장 진단 모델을 훈련한다. 마지막으로, 실제 가스 터빈 기계의 입구 경계 조건 매개변수와 가스로트블트 측정 값을 사용하여 훈련된 진단 모델을 통해 각 가스로트블트 부품의 건강 매개변수 벡터를 실시간으로 진단한다. 시뮬레이션 실험 결과는 본 논문에서 제시된 방법을 통해 각 통유 부품의 양적인 건강 매개변수를 정확하게 얻을 수 있으며, 총체적인 제곱근평균오차(RMSE)가 0.033%를 초과하지 않고, 최대 상대오차가 0.36%를 초과하지 않음을 보여주며, 본 방법이 상당한 응용 잠재력을 갖는다는 것을 보여준다.

가스 터빈;열 모델;부품의 건강 매개변수;가스로트블트 진단;딥러닝